Neural optimization for quantum architectures: graph embedding problems with Distance Encoder Networks

ملخص تقني لورقة بحثية بعنوان: "التحسين العصبي للمعماريات الكمومية: مشكلات تضمين الرسوم البيانية باستخدام شبكات مشفر المسافة"

بيان المشكلة

تتناول الورقة البحثية تحدي رسم خرائط مشكلات التحسين التوافقي على الأجهزة الكمومية القائمة على الذرات المحايدة. وتحديداً، تركز على مشكلة الرسم البياني للقرص الموحد المقيد (CUDG). في معماريات الذرات المحايدة، تُمثل الكيوبتات بذرات ريدبرج (Rydberg atoms) موضوعة في سجل ثنائي أو ثلاثي الأبعاد. وتخضع تفاعلاتها لتأثير "الحظر" (blockade effect)، مما يخلق نمط اتصال مكافئ لـ "رسم بياني للقرص الموحد" (Unit Disk Graph - UDG).

يكمن الصعوبة الجوهرية في مهمة التضمين (embedding task): وهي إيجاد الإحداثيات المكانية لـ $n$ من الكيوبتات بحيث يعيد نمط التفاعلات الفيزيائية (المحدد بمسافات التفاعل بين الذرات) مصفوفة التجاور المطلوبة (نمط الاتصال) مع استيفاء قيود الأجهزة الصارمة:

1. الحد الأدنى للمسافة ($D_{min}$): لا يمكن وضع الذرات في مسافة أقرب من عتبة محددة (مثل 4 ميكرومتر) بسبب قيود الملاقط الضوئية.
2. نصف قطر التفاعل الأقصى ($D_{adj}$): يجب أن تكون الكيوبتات المتفاعلة ضمن نطاق مسافة محدد (مثل $\approx$10.26 ميكرومتر).
3. حجم السجل ($L$): يجب أن تتسع جميع الذرات داخل منطقة دائرية بنصف قطر $L$ (مثل 50 ميكرومتر).
4. تعظيم فجوة التجاور (Adjacency Gap Maximization): يجب أن يرفع الحل من الفرق بين الحد الأدنى لمسافات الأزواج غير المتجاورة ونصف قطر التفاعل للأزواج المتجاورة لضمان المتانة.

هذه المشكلة هي مشكلة NP-hard وغير محدبة (non-convex). وتواجه الحلول الكلاسيكية (مثل البرمجة التربيعية المقيدة ذات الأعداد الصحيحة المختلطة أو البرمجة غير الخطية) صعوبات في القدرة على التوسع وغالباً ما تفشل في إيجادة حلول ممكنة لنماذج الرسوم البيانية الكبيرة ضمن أطر زمنية معقولة.

المنهجية

يقترح المؤلفون إطار عمل للتحسين المعزز عصبياً يتمحور حول بنية مخصصة تسمى شبكة مشفر المسافة (Distance Encoder Network - DEN) ودالة خسارة تضمين متخصصة (Embedding Loss Function - ELF).

1. شبكة مشفر المسافة (DEN)

إن الـ DEN عبارة عن مشفر تلقائي (autoencoder) معدل مصمم لتعلم تحويل مكاني غير خطي.

• المدخلات: الإحداثيات الأولية لرؤوس الرسم البياني ($\vec{p}_i$)، والتي يتم إنشاؤها عبر مرحلة معالجة مسبقة.
• البنية:
  • مشفر تلقائي قابل للتدريب: يقوم بضغط الإحداثيات المدخلة عبر طبقات متصلة بالكامل مع تنشيط ReLU و"dropout"، ثم يعيد بناءها إلى مجموعة جديدة من الإحداثيات ($\vec{p}^f_i$).
  • حاسب مسافة ثابت الأوزان: مكون غير قابل للتدريب يأخذ الإحداثيات المعاد بناؤها ويحسب المسافات الإقليدية المربعة بين جميع أزواج الرؤوس ($||\vec{p}^f_i - \vec{p}^f_j||^2$). تستخدم هذه الطبقة أوزاناً ثابتة ($\pm 1, 0$) لإجراء طرح المتجهات والتربيع، مما يضمن أن مخرجات الشبكة هي مقاييس مسافة صالحة.
• تهيئة المعالجة المسبقة: تُستخدم طريقتان لإنشاء الإحداثيات الأولية:
  • التحجيم (Scaling): تحجيم الإحداثيات العشوائية لتناسب نصف قطر المجال $L$.
  • فروتشرمان-رينجولد (Fruchterman-Reingold): خوارزمية تخطيط موجهة بالقوة تستخدم قوى تجاذب وتنافر بناءً على مصفوفة التجاور للرسم البياني.

2. دالة خسارة التضمين (ELF)

بدلاً من استخدام الانتشار العكسي القياسي على مجموعة بيانات ثابتة، يتم تدريب الشبكة لتقليل دالة خسارة مخصصة تشفر قيود CUDG مباشرة. تدمج الـ ELF مكونين بناءً على خسارة ترتيب الهامش (Margin Ranking Loss):

• $ELF_{min}$: تفرض الحدود الدنيا. فهي تعاقب الحالات التي تكون فيها الرؤوس المتجاورة بعيدة جداً أو الرؤوس غير المتجاورة قريبة جداً (مما ينتهك الفصل الأدنى للأزواج غير المتفاعلة).
• $ELF_{max}$: تفرض الحدود العليا. فهي تعاقب الحالات التي تتجاوز فيها الرؤوس المتجاورة نصف قطر التفاعل أو الرؤوس غير المتجاورة قريبة جداً.
• الهدف: تدفع الخسارة الإجمالية الشبكة لإيجاد إحداثيات تحقق قيود المسافة (الجدوى) مع تعظيم "فجوة التجاور" (الهامش) ضمنياً بين المسافات الممكنة وغير الممكنة.

3. استراتيجية التدريب

يعامل إطار العمل كل نموذج للرسم البياني كمسألة تدريب مستقلة. يتم تدريب الشبكة لعدد ثابت من العصور (epochs) (على سبيل المثال 3000) باستخدام محسن AdamW. وتتكرر العملية لإيجاد أفضل تضمين ممكن، مع تحديث معامل "فجوة التجاور" المستهدف ($\alpha$) كلما تم العثور على حل ممكن أفضل.

المساهمات الرئيسية

1. إطار عمل مبتكر: تقديم نهج تحسين معزز عصبياً مصمم خصيصاً لمشكلة CUDG في معماريات الذرات المحايدة.
2. شبكة مشفر المسافة (DEN): بنية مشفر تلقائي متخصصة تدمج حاسب مسافة ثابت الأوزان لإخراج المسافات الإقليدية المربعة مباشرة، مما يسمح بتطبيق القيود مباشرة على الخصائص الهندسية.
3. دالة خسارة التضمين (ELF): صياغة مخصصة للخسارة تترجم القيود الهندسية الصعبة (المتراجحات على المسافات) إلى هدف تحسين قابل للاشتقاق، مما يمكن الشبكة من تعلم التكوينات المكانية الممكنة.
4. التعامل مع عدم التحدب: يستفيد النهج من قدرات التقريب للشبكات العصبية للتنقل في فضاء الحلول غير المحدب لمشكلة CUDG، حيث غالباً ما تفشل الحلول الكلاسيكية.

النتائج التجريبية

قيم المؤلفون إطار العمل على مجموعة بيانات مكونة من 200 نموذج للرسوم البيانية (تتراوح من $n=10$ إلى $n=100$ من الرؤوس) مقابل الحل الكلاسيكي Ipopt.

• الجدوى: تفوق إطار عمل DEN بشكل كبير على Ipopt في إيجاد التضمينات الممكنة. بينما فشل Ipopt في إيجاد حلول للعديد من النماذج (خاصة مع زيادة $n$)، نجح نموذج DEN في إيجاد تضمينات ممكنة لنسبة مئوية أكبر بكثير من مجموعة البيانات، بما في ذلك النماذج التي تصل إلى 100 رأس في الفضاء ثلاثي الأبعاد.
• الأبعاد: وجد النموذج حلولاً ممكنة بسهولة أكبر في الفضاء ثلاثي الأبعاد ($N=3$) مقارنة بالفضاء ثنائي الأبعاد ($N=2$)، ويرجع ذلك على الأرجاء إلى زيادة درجات الحرية.
• وقت الحوسبة: توسع وقت تدريب نموذج DEN خطياً مع عدد الرؤوس. وحتى عندما مُنح Ipopt وقتاً أكبر بكثير (10 أضعاف وقت تدريب DEN)، فقد فشل في حل النماذج التي حلها DEN بسرعة.
• فجوة التجاور: بينما برع نموذج DEN في إيجاد الحلول الممكنة، فإن الحل الكلاسيكي (عندما ينجح) ينتج أحياناً تضمينات ذات فجوة تجاور أكبر. ويشير المؤلفون إلى أن تحسين الفجوة يظل تحدياً للنهج العصبي.

الأهمية والادعاءات

تدعي الورقة البحثية أن إطار العمل المقترح يوفر بديلاً قابلاً للتطبيق للحلول الكلاسيكية لمشكلات التضمين في الأجهزة الكمومية، خاصة في الحالات التي تكافح فيها الطرق الكلاسيكية مع عدم التحدب والقابلية للتوسع.

• الأثر العملي: يسهل عملية رسم خرائط مشكلات QUBO المعقدة على معماريات الذرات المحايدة، وهي خطوة حاسمة لاستخدام هذه الآلات الكمومية.
• القدرة على التعميم: يشير المؤلفون إلى أن بنية DEN واستراتيجية ELF قابلتان للتعميم على مشكلات التحسين الأخرى التي تتضمن قيود المسافة الإقليدية ونمذجة المتراجحات.
• العمل المستقبلي: يقر المؤلفون بتواضع بوجود قيود، وتحديداً فيما يتعلق بتعظيم فجوة التجاور والحاجة إلى ضبط المعلمات الفائقة (hyperparameters). ويقترحون عملاً مستقبلياً لتحسين استخدام وحدة معالجة الرسومات (عبر الدفعات الصغيرة/mini-batching) وتحسين تحسين معامل فجوة التجاور.

يؤكد المؤلفون أنه على الرغم من أن النهج الحالي لا يضمن الوصول إلى "أفضل" فجوة تجاور، إلا أن مساهمته الأساسية تكمن في القدرة على إيجاد حلول ممكنة لمجموعة أوسع من نماذج الرسوم البيانية مما كان ممكناً سابقاً باستخدام الطرق الكلاسيكية.